آموزش مبانی یادگیری عمیق برای مراقبت‌های بهداشتی و پزشکی - آخرین آپدیت

دانلود Deep Learning Fundamentals for Healthcare

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

توضیحات

این دوره درباره چیست؟

در این دوره جامع، دنیای هیجان‌انگیز کاربردهای یادگیری عمیق (Deep Learning) در حوزه بهداشت و درمان را کاوش کنید. بیاموزید که چگونه از طریق شبکه‌های عصبی پیچشی (CNNs)، تنظیم دقیق مدل‌های پیش‌آموزش‌دیده (Fine-tuning) و بهره‌گیری از یادگیری صفر-شات (Zero-shot Learning)، ناهنجاری‌ها را در تصاویر رادیولوژی (X-ray) شناسایی و دسته‌بندی کنید. مفاهیم بنیادی یادگیری عمیق، از جمله شبکه‌های عصبی، آموزش مدل و تنظیم هایپرپارامترها را به‌طور اختصاصی برای کاربردهای پزشکی درک کنید. در فعالیت‌های عملی این دوره، پیش‌پردازش داده‌ها، ساخت مدل با زبان پایتون و استفاده از فریم‌ورک‌های قدرتمندی مانند TensorFlow و PyTorch را تجربه خواهید کرد. همچنین مهارت‌های کاربردی در تشخیص اشیا (Object Detection) و بخش‌بندی (Segmentation) را برای تشخیص مؤثر بیماری‌ها کسب می‌کنید. در نهایت، با ملاحظات اخلاقی و محدودیت‌های داده‌ای در به‌کارگیری هوش مصنوعی در محیط‌های پزشکی آشنا می‌شوید تا بتوانید چالش‌های واقعی دنیای بهداشت و درمان را با دقت تشخیصی بالاتر حل کنید.

اهداف یادگیری

در پایان این دوره چه توانایی‌هایی کسب خواهم کرد؟

  • توضیح پیچیدگی‌های یادگیری عمیق و نحوه پیاده‌سازی آن در محیط‌های مراقبت بهداشتی.
  • استفاده از CNNها برای طبقه‌بندی تصاویر و پشتیبانی از تشخیص پزشکی، به‌ویژه در تحلیل تصاویر X-ray.
  • به‌کارگیری مدل‌های پیش‌آموزش‌دیده و تکنیک‌های یادگیری صفر-شات برای حل نوآورانه مسائل پزشکی.
  • تسلط بر تکنیک‌های پیش‌پردازش و افزایش داده‌ها (Data Augmentation) در پروژه‌های هوش مصنوعی پزشکی.
  • ارزیابی پیامدهای اخلاقی و مسائل مربوط به شفافیت در تصمیم‌گیری‌های مبتنی بر هوش مصنوعی در سلامت.

مخاطبان دوره

این دوره برای چه کسانی مناسب است؟

  • متخصصان حوزه بهداشت و درمان که به دنبال کسب مهارت در یادگیری عمیق و هوش مصنوعی هستند.
  • متخصصان یادگیری ماشین که در زمینه تحلیل داده‌های پزشکی فعالیت می‌کنند.
  • پژوهشگران و دانشگاهیانی که روی نوآوری‌های داده‌محور در سلامت کار می‌کنند.

پیش‌نیازها

قبل از شروع این دوره چه چیزهایی باید بدانم؟

  • درک اولیه از اصول یادگیری ماشین (Machine Learning) و علم داده.
  • آشنایی با برنامه‌نویسی پایتون و مفاهیم پایه آمار.
  • آشنایی با فریم‌ورک‌های هوش مصنوعی مانند TensorFlow یا PyTorch مزیت محسوب می‌شود.


سرفصل ها و درس ها

مقدمه Introduction

  • شروع یادگیری عمیق برای مراقبت‌های بهداشتی Getting started with deep learning for healthcare

  • آنچه باید بدانید What you should know

1. مقدمه‌ای بر یادگیری عمیق برای مراقبت‌های بهداشتی 1. Introduction to Deep Learning for Healthcare

  • چرا یادگیری عمیق در پزشکی برتری دارد؟ Why deep learning excels in healthcare?

  • الگوریتم‌های یادگیری عمیق Deep learning algorithms

  • ساخت و پیاده‌سازی شبکه‌های عصبی: PyTorch Building and implementing neural networks: PyTorch

  • محدودیت‌ها و ملاحظات اخلاقی Limitations and ethical considerations

  • نحوه عملکرد یادگیری عمیق: کالبدشناسی شبکه‌های عصبی How deep learning works: ​Anatomy of neural networks

  • یادگیری عمیق چیست؟ What is deep learning?

  • مفاهیم کلیدی در آموزش مدل‌های یادگیری عمیق Key concepts in training deep learning models

  • فریم‌ورک‌ها و کتابخانه‌های یادگیری عمیق Deep learning frameworks and libraries

  • ساخت و پیاده‌سازی شبکه‌های عصبی: TensorFlow Building and implementing neural networks: TensorFlow

  • معماری‌های یادگیری عمیق Deep learning architectures

2. بینایی ماشین در حوزه سلامت 2. Computer Vision for Healthcare

  • کالبدشناسی تصاویر پزشکی: بررسی ویژگی‌ها و ساختار دیجیتال Anatomy of medical images: Exploring digital properties and structure

  • درک داده‌های تصویری در مراقبت‌های بهداشتی Understanding image data in healthcare

  • مرور تسک: تشخیص اشیا در تصویربرداری پزشکی Task overview: Object detection in medical imaging

  • طبقه‌بندی تصاویر X-ray نرمال در برابر پنومونی با معماری پیش‌آموزش‌دیده Classifying normal vs. pneumonia X-rays using a pretrained architecture

  • مقدمه‌ای بر بینایی ماشین در بهداشت و درمان Introduction to computer vision in healthcare

  • طبقه‌بندی تصاویر X-ray نرمال در برابر پنومونی با استفاده از CNNها Classifying normal vs. pneumonia X-rays using convolutional neural networks (CNNs)

  • مرور تسک: طبقه‌بندی تصاویر X-ray نرمال در برابر پنومونی Task overview : Classifying normal vs. pneumonia X-rays

  • طبقه‌بندی تصاویر X-ray نرمال در برابر پنومونی با یادگیری صفر-شات Classifying normal vs. pneumonia X-rays using zero-shot learning

  • آماده‌سازی مجموعه‌داده‌های X-ray برای تسک‌های بینایی ماشین Preparing X-ray image datasets for computer vision tasks

  • تشخیص صفر-شات اشیا در X-ray با استفاده از مدل‌های مبتنی بر CLIP Zero-shot object detection in X-rays using CLIP-based models

جمع‌بندی Conclusion

  • گام‌های بعدی Next steps

نمایش نظرات

آموزش مبانی یادگیری عمیق برای مراقبت‌های بهداشتی و پزشکی
جزییات دوره
2h 26m
23
(آخرین آپدیت)
3,680
- از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Wuraola Oyewusi Wuraola Oyewusi

Wuraola Oyewusi یک دانشمند داده با تجربه، یادگیری ماشین و متخصص هوش مصنوعی است.

Wuraola Oyewusi یک دانشمند داده با تجربه، یادگیری ماشین و متخصص هوش مصنوعی است.

Wuraola در پردازش زبان طبیعی (NLP)، مراقبت های بهداشتی، داده ها تخصص دارد. سرپرستی و تحقیق او مدرک لیسانس خود را در رشته داروسازی (BPharm) از دانشگاه اولابیسی اونابانجو گرفت و در حال حاضر به عنوان دریافت کننده ویزای استعدادهای جهانی (علم داده و هوش مصنوعی) در بریتانیا زندگی می کند.